基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。     

基于支持向量机的夹紧力控制阀质量分类

提出了采用支持向量机对CVT夹紧力控制阀进行质量分类的方法.并设计了相应的提取夹紧力控制阀性能特征参数的试验方案与夹紧力控制阀SVM多类分类器.利用试验得到的性能参数对SVM分类器进行训练,然后分别使用训练成熟的SVM分类器与RBF神经网络分类器对夹紧力控制阀进行质量分类.结果表明,采用SVM分类器的分类准确率明显高于RBF神经网络分类器.     

为启动座椅坐垫倾角调节机构的汽车制动模式识别策略的研究

为准确地判定紧急制动状态,以便及时启动座椅坐垫倾角调节机构,对汽车制动模式判别策略进行研究.选取在汽车中低速行驶下的缓慢、点刹、紧急制动3种模式,采用正交试验设计方法,选用不同驾驶员以不同车速进行了制动实验.在对实验数据进行分析的基础上,采用了踏板力峰值法与踏板力变化率法两种判别算法.实验结果发现,两种算法都存在局限性.为此,又尝试了基于RBF神经网络模式识别算法.结果表明,这种算法能准确地判别制动模式.     

基于RBF神经网络的不利天气道路通行能力计算

不利天气下影响城市道路通行能力的各种因素都具有随机的、非线性,采用常态条件下修正理论通行能力的计算方法是不适合的.文章结合RBF神经网络模型方法能够良好地分析出随机的、非线性的特点,对路网组成单元进行重新划分,选定不利天气下道路通行能力的影响因素,建立了道路通行能力计算的RBF神经网络模型.并依据哈尔滨市暴雨天气下道路的实际情况进行了算例分析,计算的道路通行能力与实测数据最大误差为-1.16%,验证了模型的可行性和有效性.     

基于LBP算子的路面类型识别研究

不同的路面类型会对车辆的制动、加速、变道等决策产生不同影响,因此实时获取路面类型信息对于提高智能汽车的安全性、舒适性等有着重要意义。论文提出一种基于LBP算子的路面类型识别方法,首先采集了四种车辆行驶常见路面的图像信息,并对图像进行了增广处理;然后使用LBP算子提取出路面图像的纹理特征,再采用PCA方式对纹理特征进行降维;最后通过分类器对数据进行训练与分类。实验结果表明该方法的最高分类准确率可以达到98.5%,有效提升了当前路面类型识别的精度。     

基于CNN技术的灰度视频交通图像边缘检测

车辆或道路的边缘是灰度视频交通图像的重要特征，文章采用细胞神经网络技术，合理地选择了网络参数，并编制了基于Matlab 5．3平台的程序，将其用于检测灰度交通图像的边缘。经算例与传统的Sobel方法进行比较，证明采用该方法提取交通图像边缘是有效的，实用的，并通过分析推荐了网络参数。     

基于机器学习的路面病害成因判别方法研究

为了构建路面病害成因的自动判别方法，以重庆市内环快速路为工程实例，分析了不同路段类型的沥青路面病害的典型特征，基于不同类型损害的关联特性确定了数据降维分析的可行性，并采用主成分分析法对路面的众多状态信息数据进行降维处理，且通过随机森林算法实现了路面病害的自动成因分析。结果显示，通过机器学习模型训练得到的成因结论与实际现场调查结论基本一致，可认为基于机器学习的智能判别方法对路面病害的成因分析具有一定的可靠性，可为后续智能养护决策系统的开发提供自动化的判别方法。     

基于双向二维主成分分析的交通标志识别

针对交通标志识别实时性不足,提出了一种基于双向二维的主成分分析[(2D)2PCA]的交通标志识别算法.首先,对交通标志图像进行去噪归一化等预处理.然后,进行水平和垂直方向的投影,通过特征空间降维提高匹配速度.最后,利用最近邻法进行分类.通过在不同数据库下与传统2DPCA方法的对比仿真表明,2种方法随主特征数目增加,识别率都有所提升;样本数量增加时,(2D)2PCA算法的时间增长速度明显小于2DPCA,满足了识别的实时性要求.     

基于三维点云数据的沥青路面裂缝识别方法

针对沥青路面二维裂缝图像识别精度较低的问题,文中借助三维激光扫描技术,利用三维点云数据所提取的裂缝特征验证二维图像裂缝特征的准确性,同时将提取的三维点云数据裂缝指标用于深度学习的准确率提升,以此提高裂缝图像的识别准确率。首先将获取的高精度二维图像进行图像增加、去噪、分割、特征提取等,然后通过对路表三维点云数据进行分类、滤波、融合,重建沥青路面路表三维形态模型,实现沥青路面裂缝的高效高精度识别与裂缝特征参数提取,利用密集卷积神经网络(DenseNet)的裂缝图像识别算法对200张验证图像进行测试。结果表明,通过利用三维点云数据对二维图像进行辅助判别的方法,可大幅提高裂缝图像的识别准确率,具有良好的普适性。     

抗滑集料颗粒形状及表面纹理特性分析

为研究不同抗滑集料的颗粒形状及表面纹理特征,以玄武岩集料、金刚砂、黑刚玉材料为研究对象,采用Matlab软件计算了3种抗滑集料的圆度值,并对3种抗滑集料的颗粒形状进行了评价;采用SEM扫描电镜试验获取了玄武岩集料、金刚砂、黑刚玉材料的表面图像,并利用FractalFox软件对图像进行了二值化处理,计算了3种集料表面纹理的分形维数,并基于此对3种抗滑集料的表面纹理特征进行了分析。研究结果表明:黑刚玉具有最高的圆度值,即最接近于球状,有利于在车辆荷载碾压下保持稳定;金刚砂表面纹理的分形维数最高、玄武岩集料次之,黑刚玉最低,表明金刚砂和玄武岩集料具有更为发育的表面纹理,有利于与胶结材料间发生黏附。